-
Notifications
You must be signed in to change notification settings - Fork 0
/
Copy pathtarefa2.py
297 lines (226 loc) · 13.4 KB
/
tarefa2.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
from numpy import reshape, array
from numpy.random import shuffle
from getRecDados import getRotulos, getTagsRem, getPalavrasRem, getSitesLista
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import GaussianNB
from sklearn.ensemble import RandomForestClassifier
from sklearn.neural_network import MLPClassifier
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression
from csv import reader
from os.path import exists
from feature_selection import selecionar, minerador
from bs4 import BeautifulSoup
from sklearn.metrics import accuracy_score, f1_score, average_precision_score
from sklearn.model_selection import train_test_split
from timeit import default_timer as timer
import warnings
import mlflow
import pandas as pd
import numpy as np
import pickle
warnings.filterwarnings("ignore")
def classificador(novos_dados: bool = False, heuristica: bool = False):
numfeats = 9
if novos_dados or not exists('./features.csv'):
novos_dados = True
selecionar(numfeats)
# selecionar(numfeats) = Seleciona int(numfeats) e gera o arquivo features.csv
feats = None
if heuristica:
pasta = 'heuristica'
else:
pasta = 'baseline'
gSL = getSitesLista()
with open('features.csv', 'r') as arqcsv:
feats = reader(arqcsv, delimiter=',')
feats = [c for c in feats][0]
feats.append('Score Titulo')
feats.append('Score Body')
m_geral = [[],[]]
for site in gSL:
# Teste de 5/20
# print('Executando classificador com partição de rótulos para:', site.capitalize())
m = []
treino = pd.DataFrame()
mil = dict()
if novos_dados:
# Lê os treinos da loja específica
for a in range(1, 21):
if exists('./minerados/db/{}/{}.html'.format(site, a)):
with open('./minerados/db/{}/{}.html'.format(site, a), 'r') as arqhtml:
sopa = BeautifulSoup(arqhtml, 'html.parser')
k = minerador(sopa, feats)
m.append(k)
treino = pd.DataFrame(data = m, columns = feats)
with open('./minerados/mil/{}/{}/treino'.format(pasta, site), 'wb') as arqdados:
pickle.dump(treino, arqdados)
with open('./minerados/mil/{}/{}/m'.format(pasta, site), 'wb') as arqdados:
pickle.dump(m, arqdados)
else:
if exists('./minerados/mil/{}/{}/treino'.format(pasta, site)):
with open('./minerados/mil/{}/{}/treino'.format(pasta, site), 'rb') as arqdados:
treino = pickle.load(arqdados)
if exists('./minerados/mil/{}/{}/m'.format(pasta, site)):
with open('./minerados/mil/{}/{}/m'.format(pasta, site), 'rb') as arqdados:
m = pickle.load(arqdados)
else:
print('Arquivo treino ou m não encontrado, tente rodar com o parâmetro novos_dados = True')
exit()
# df = pd.DataFrame(list(mil.values()), columns = feats)
um_zero = [1]*(numfeats+1) + [0]*(numfeats+1)
m_geral[0].extend(m)
m_geral[1].extend(um_zero)
with open('./minerados/mil/{}/m_geral'.format(pasta), 'wb') as arqdados:
pickle.dump(m_geral, arqdados)
# Juntar dataframes treino e df caso seja necessário:
# print(treino.append(df,ignore_index=True))
# print(df.head())
# Teste de 5/20
# X_treino, X_teste, y_treino, y_teste = train_test_split(m, um_zero, test_size=0.25, random_state=len(m)//2)
# gnb, rfc, mlp, svc, lgr = GaussianNB(), RandomForestClassifier(), MLPClassifier(), SVC(), LogisticRegression()
# gnb.fit(X_treino, y_treino)
# result = gnb.predict(X=X_teste)
# score = gnb.score(X=X_teste, y=y_teste)
# with open('./minerados/mil/{}/{}/gnb'.format(pasta, site), 'wb') as arqdados:
# pickle.dump(result, arqdados)
# print('Precision, F-Score e Acurácia Naive Bayes: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
# rfc.fit(X_treino, y_treino)
# result = rfc.predict(X=X_teste)
# score = rfc.score(X=X_teste, y=y_teste)
# with open('./minerados/mil/{}/{}/rfc'.format(pasta, site), 'wb') as arqdados:
# pickle.dump(result, arqdados)
# print('Precision, F-Score e Acurácia Random Forest Classifier: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
# mlp.fit(X_treino, y_treino)
# result = mlp.predict(X=X_teste)
# score = mlp.score(X=X_teste, y=y_teste)
# with open('./minerados/mil/{}/{}/mlp'.format(pasta, site), 'wb') as arqdados:
# pickle.dump(result, arqdados)
# print('Precision, F-Score e Acurácia Multi-layer Perceptron: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
# svc.fit(X_treino, y_treino)
# result = svc.predict(X=X_teste)
# score = svc.score(X=X_teste, y=y_teste)
# with open('./minerados/mil/{}/{}/svc'.format(pasta, site), 'wb') as arqdados:
# pickle.dump(result, arqdados)
# print('Precision, F-Score e Acurácia SVC: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
# lgr.fit(X_treino, y_treino)
# result = lgr.predict(X=X_teste)
# score = lgr.score(X=X_teste, y=y_teste)
# with open('./minerados/mil/{}/{}/lgr'.format(pasta, site), 'wb') as arqdados:
# pickle.dump(result, arqdados)
# print('Precision, F-Score e Acurácia Logistic Regression: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
# print('Tempo gasto para', site.capitalize(), timer()-tempo_inicial, '\n')
# ------------------------------------------------------------ Recebendo os 200 rótulos -----------------------------------------------------------------
tempo_inicial = timer()
# X_treino, y_treino = m_geral[0], m_geral[1]
X_treino, X_teste, y_treino, y_teste = train_test_split(m_geral[0], m_geral[1], test_size=0.25, random_state=len(m_geral[0])//2)
print('Somatório de rótulos totalizando:', len(m_geral[0]))
gnb, rfc, mlp, svc, lgr = GaussianNB(), RandomForestClassifier(n_jobs=-1), MLPClassifier(), SVC(), LogisticRegression(n_jobs=-1)
gnb.fit(X_treino, y_treino)
result = gnb.predict(X=X_teste)
score = gnb.score(X=X_teste, y=y_teste)
print('Precision, F-Score e Acurácia Naive Bayes: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
rfc.fit(X_treino, y_treino)
result = rfc.predict(X=X_teste)
score = rfc.score(X=X_teste, y=y_teste)
print('Precision, F-Score e Acurácia Random Forest Classifier: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
mlp.fit(X_treino, y_treino)
result = mlp.predict(X=X_teste)
score = mlp.score(X=X_teste, y=y_teste)
print('Precision, F-Score e Acurácia Multi-layer Perceptron: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
svc.fit(X_treino, y_treino)
result = svc.predict(X=X_teste)
score = svc.score(X=X_teste, y=y_teste)
print('Precision, F-Score e Acurácia SVC: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
lgr.fit(X_treino, y_treino)
result = lgr.predict(X=X_teste)
score = lgr.score(X=X_teste, y=y_teste)
print('Precision, F-Score e Acurácia Logistic Regression: \n', average_precision_score(y_teste, result), f1_score(y_teste, result), score)
print('Tempo gasto para testar', len(X_teste), 'foi', timer()-tempo_inicial, '\n')
# ------------------------------------------------------------ Recebendo os 200 rótulos -----------------------------------------------------------------
X_treino, y_treino = m_geral[0], m_geral[1]
dez_mil = []
for site in gSL:
mil = dict()
if novos_dados:
if exists('./minerados/mil/{}/{}/1010.html'.format(pasta, site)):
for a in range(1001, 2000):
if exists('./minerados/mil/{}/{}/{}.html'.format(pasta, site, a)):
with open('./minerados/mil/{}/{}/{}.html'.format(pasta, site, a), 'r') as arqhtml2:
sopa = BeautifulSoup(arqhtml2, 'html.parser')
k = minerador(sopa, feats)
mil.update({len(mil)+len(m):k})
dez_mil.append(k)
else:
# Lê os 1000 htmls da loja específica
for a in range(1, 1000):
if exists('./minerados/mil/{}/{}/{}.html'.format(pasta, site, a)):
with open('./minerados/mil/{}/{}/{}.html'.format(pasta, site, a), 'r') as arqhtml2:
sopa = BeautifulSoup(arqhtml2, 'html.parser')
k = minerador(sopa, feats)
mil.update({len(mil)+len(m):k})
dez_mil.append(k)
with open('./minerados/mil/{}/{}/mil'.format(pasta, site), 'wb') as arqdados:
pickle.dump(mil, arqdados)
with open('./minerados/mil/dez_mil', 'wb') as arqdados:
pickle.dump(dez_mil, arqdados)
else:
if exists('./minerados/mil/{}/{}/mil'.format(pasta, site)):
with open('./minerados/mil/{}/{}/mil'.format(pasta, site), 'rb') as arqdados:
mil = pickle.load(arqdados)
else:
print('Arquivo mil não encontrado, tente rodar com o parâmetro novos_dados = True')
exit()
if exists('./minerados/mil/dez_mil'):
with open('./minerados/mil/dez_mil', 'rb') as arqdados:
dez_mil = pickle.load(arqdados)
else:
print('Arquivo dez_mil não encontrado, tente rodar com o parâmetro novos_dados = True')
exit()
tempo_inicial = timer()
# Recebendo os 1000 htmls
X_teste = mil.values()
gnb, rfc, mlp, svc, lgr = GaussianNB(), RandomForestClassifier(n_jobs=-1), MLPClassifier(), SVC(), LogisticRegression(n_jobs=-1)
harvest = [0,0,0,0,0]
for tst in X_teste:
gnb.fit(X_treino, y_treino)
result = gnb.predict(X=[tst])
harvest[0] += result[0]
rfc.fit(X_treino, y_treino)
result = rfc.predict(X=[tst])
harvest[1] += result[0]
mlp.fit(X_treino, y_treino)
result = mlp.predict(X=[tst])
harvest[2] += result[0]
svc.fit(X_treino, y_treino)
result = svc.predict(X=[tst])
harvest[3] += result[0]
lgr.fit(X_treino, y_treino)
result = lgr.predict(X=[tst])
harvest[4] += result[0]
print('Resultados Harvest usando {} rótulos para os {} htmls de {} \nNaive Bayes: {} \nRandom Forest: {} \nMulti-layer Perceptron: {} \nSVC: {} \nLinear Regression: {}'.format(len(X_treino), len(mil), site.capitalize(), harvest[0], harvest[1], harvest[2], harvest[3], harvest[4]))
print('Tempo gasto nos classificadores para', site.capitalize(), timer()-tempo_inicial, '\n')
tempo_inicial = timer()
# Recebendo os 10000 htmls
X_teste = dez_mil
gnb, rfc, mlp, svc, lgr = GaussianNB(), RandomForestClassifier(n_jobs=-1), MLPClassifier(), SVC(), LogisticRegression(n_jobs=-1)
harvest = [0,0,0,0,0]
for tst in X_teste:
gnb.fit(X_treino, y_treino)
result = gnb.predict(X=[tst])
harvest[0] += result[0]
rfc.fit(X_treino, y_treino)
result = rfc.predict(X=[tst])
harvest[1] += result[0]
mlp.fit(X_treino, y_treino)
result = mlp.predict(X=[tst])
harvest[2] += result[0]
svc.fit(X_treino, y_treino)
result = svc.predict(X=[tst])
harvest[3] += result[0]
lgr.fit(X_treino, y_treino)
result = lgr.predict(X=[tst])
harvest[4] += result[0]
print('Resultados Harvest usando {} rótulos para {} htmls vindos de todos os sites \nNaive Bayes: {} \nRandom Forest: {} \nMulti-layer Perceptron: {} \nSVC: {} \nLinear Regression: {}'.format(len(X_treino), len(dez_mil), harvest[0], harvest[1], harvest[2], harvest[3], harvest[4]))
print('Tempo gasto nos classificadores para avaliar todos os sites', timer()-tempo_inicial, '\n')
classificador(novos_dados=False, heuristica=False)